memprof 技术文档
本文档将详细介绍如何安装、使用 memprof 项目以及如何利用其 API 进行内存分析。
1. 安装指南
依赖关系
memprof 扩展依赖于 libjudy 和 sys/queue.h。
- 在基于 Debian 的发行版上,可以使用以下命令安装依赖:
apt install libjudy-dev - 在 Alpine 发行版上,可以使用以下命令安装依赖:
apk add judy-dev bsd-compat-headers - 在 MacOS 上,可以使用以下命令安装依赖:
brew install traildb/judy/judy
使用 PECL 安装
确保安装了上述依赖,然后使用以下命令安装 memprof:
pecl install memprof
在 MacOS 上,可以使用以下命令安装:
JUDY_DIR=$(brew --prefix traildb/judy/judy) pecl install memprof
手动安装
确保安装了上述依赖,然后下载源代码并在源代码目录中运行以下命令:
phpize
./configure
make
make install
如果 libjudy 安装在非标准路径(不是 /usr 或 /usr/local),可以在 configure 命令中指定路径:
./configure --with-judy-dir=/opt/homebrew/Cellar/judy/1.0.5
在 Arch Linux 上安装
Arch Linux 用户可以选择安装非官方的 php-memprof 包,使用 makepkg 或他们的首选 AUR 辅助工具。例如,如果使用 yay:
yay -S php-memprof
2. 项目的使用说明
memprof 扩展可以用于跟踪和分析 PHP 程序中的内存分配和释放,帮助查找内存泄漏的源头。
加载扩展
可以在命令行上为单个脚本加载扩展:
php -dextension=memprof.so script.php
或者永久性地,在 php.ini 文件中加载:
extension=memprof.so
当不进行内存分析时,扩展没有性能开销,因此在开发环境中可以默认加载。
使用示例
最简单的使用 memprof 的方法是让它在程序内存超出限制时自动保存内存分析文件。
步骤 1:在 dump_on_limit 模式下启用内存分析
在请求启动时,如果以下条件之一为真,将启用 dump_on_limit 模式的内存分析:
- 环境变量
MEMPROF_PROFILE的值为dump_on_limit $_GET["MEMPROF_PROFILE"]的值为dump_on_limit$_POST["MEMPROF_PROFILE"]的值为dump_on_limit
对于命令行脚本,可以设置环境变量:
MEMPROF_PROFILE=dump_on_limit php test.php
对于 Web 脚本,可以设置 $_GET 变量:
curl http://127.0.0.1/test.php?MEMPROF_PROFILE=dump_on_limit
或者 $_POST 变量:
curl -d MEMPROF_PROFILE=dump_on_limit http://127.0.0.1/test.php
步骤 2:转储内存分析文件
在此模式下,如果程序超出内存限制(当 PHP 触发类似 "Fatal error: Allowed memory size of 15728640 bytes exhausted (tried to allocate 1024 bytes)" 的错误时),memprof 会自动保存分析文件。
默认情况下,分析文件保存在 /tmp 或 C:\Windows\Temp 目录下,文件名为 memprof.callgrind.*。
步骤 3:可视化内存分析结果
推荐使用 Kcachegrind(Linux)或 Qcachegrind(MacOS、Windows)来可视化结果。Google Perftools 也是支持的。请参阅 memprof_dump_callgrind() 和相关函数的文档。
3. 项目 API 使用文档
以下是一些常用的 memprof API 函数及其用途:
memprof_enabled()
返回内存分析是否当前启用。
memprof_enabled_flags()
返回内存分析是否启用以及启用了哪些分析特性。
memprof_dump_callgrind(resource $stream)
将当前分析结果以 callgrind 格式转储到指定的文件流。
<?php
memprof_dump_callgrind(fopen("output", "w"));
memprof_dump_pprof(resource $stream)
将当前分析结果以 pprof 格式转储到指定的文件流。
<?php
memprof_dump_pprof(fopen("profile.heap", "w"));
memprof_dump_array()
返回表示当前分析结果的数组。
<?php
$dump = memprof_dump_array();
4. 项目安装方式
memprof 项目可以通过以下方式安装:
- 使用 PECL 命令行工具安装。
- 手动下载源代码并进行编译安装。
- 在 Arch Linux 上使用 AUR 包进行安装。
请按照上述 "安装指南" 部分中的详细步骤进行操作。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00